基于深度学习的宫颈原位腺癌图像识别方法
目的 基于深度学习算法构建宫颈原位腺癌(cervical adenocarcinoma in situ,CAIS)病理图像诊断模型.方法 回顾性收集2019年1月至2021年12月中国医科大学附属盛京医院病理科保存的CAIS患者病变组织、 慢性宫颈炎患者正常宫颈管腺体病理切片.图像采集后,均按4:3:3的比例随机分为训练集、验证集和测试集.使用训练集、验证集数据对VGG16、VGG19、Inception V3、Xception、ResNet50和DenseNet201共6种网络模型进行迁移学习训练和参数调试,构建可识别CAIS病理图像的卷积神经网络二分类模型,并将模型进行组合,构建集成学习模型.基于测试集数据,采用运算时间、准确率、精确率、召回率、F1值、受试者操作特征曲线下面积(area under the curve,AUC)对模型识别CAIS病理图像的性能进行评价.结果 共入选符合纳入和排除标准的CAIS患者病理切片104张、慢性宫颈炎患者正常宫颈管腺体病理切片90张.共收集CAIS、正常宫颈管腺体病理图像各500张,其中训练集、验证集、测试集图像分别400张、300张、300张.6种模型中,ResNet50模型的准确率(87.33％)、精确率(90.00％)、F1值(86.90％)及AUC(0.87)均最高,召回率(84.00％)居第2位,运算时间较短(2062.04 s),整体性能最佳,VGG19模型次之,Inception V3与Xception模型的性能最差.6种集成学习模型中,ResNet50与DenseNet201集成模型的整体性能最优,其准确率、精确率、召回率、F1值、AUC分别为89.67％、84.67％、94.07％、89.12％、0.90,VGG19与ResNet50集成模型次之.结论 通过深度学习算法构建CAIS病理图像识别模型具有可行性,其中ResNet50模型的整体性能较高.集成学习可提高单一模型对病理图像的识别效果.
深度学习算法、宫颈原位腺癌、迁移学习、病理诊断
14
R737(肿瘤学)
2023-02-13（万方平台首次上网日期，不代表论文的发表时间）
共9页
159-167
